劉建，鄒任玲，張東衡，徐秀林，胡秀枋

1.上海理工大學(xué)醫(yī)療器械與食品學(xué)院(上海，200093)

2.上海健康醫(yī)學(xué)院(上海，200093)

肌電信號特征提取方法-功率譜比值法，該方法以表面肌電信號功率譜最大幅值處的頻率附近某一確定寬度的功率譜積分與整個功率譜積分的比值，作為表面肌電信號的特征進而進行非特定人的手部動作識別，取得了較為理想的效果。

表面肌電信號特征提取方法研究發(fā)展趨勢

劉建1，鄒任玲1，張東衡2，徐秀林1，胡秀枋1

1.上海理工大學(xué)醫(yī)療器械與食品學(xué)院(上海，200093)

2.上海健康醫(yī)學(xué)院(上海，200093)

表面肌電信號(Surface Electromyographic，sEMG)監(jiān)測廣泛運用于臨床診斷、康復(fù)醫(yī)學(xué)，它的特征信號提取是進行臨床診斷的主要依據(jù)。文章在常規(guī)的時域分析、頻域分析特征提取方法的基礎(chǔ)上，對最近的研究熱點內(nèi)容包括時頻分析方法、參數(shù)模型分析方法和非線性特征分析方法等方面進行了綜述和探討，并對表面肌電信號特征提取方法在相關(guān)領(lǐng)域的未來研究方向和發(fā)展趨勢進行分析和展望。

表面肌電信號;特征提取;時頻分析;參數(shù)模型;非線性分析

0 引言

表面肌電信號(surface electromyography signal，sEMG)能夠?qū)崟r、準(zhǔn)確和非損傷狀態(tài)下反映肌肉活動狀態(tài)和功能狀態(tài)［1］，表面肌電信號的監(jiān)測已經(jīng)深入應(yīng)用到臨床醫(yī)學(xué)、運動醫(yī)學(xué)、生物醫(yī)學(xué)工程等領(lǐng)域［2］。對人體表面肌電的某些特征的提取被廣泛地應(yīng)用于肌肉疲勞、肌肉痙攣和肌萎縮等疾病的診斷。如何從原始的一維時間序列信號，類似噪聲的準(zhǔn)隨機信號里提取出有用的特征信息成為表面肌電信號分析的基礎(chǔ)。當(dāng)前肌電信號特征提取方法很多，有時域分析方法、頻域分析方法、時頻分析方法、基于參數(shù)模型與基于非線性特征分析方法五大類。本文就國內(nèi)外在這一領(lǐng)域的研究方法及進展作簡要綜述。

1 時域分析方法

時域分析方法是最早的傳統(tǒng)的表面肌電信號特征提取方法，這種方法的特點是將信號看成均值為零、方差隨著信號強弱變化而變化的隨機信號，在肌電圖中EMG被記錄成電位-時間曲線，其中自變量為時間變量，從中可以對信號進行整形、濾波，計算信號的均值、積分肌電值(iEMG)、幅值的直方圖、過零次數(shù)(ZC)、均方根(RMS)、方差(VAR)、三階原點矩的絕對值、四階原點矩、自相關(guān)函數(shù)等作為特征量［3］。國內(nèi)外學(xué)者有很多關(guān)于時域分析法的應(yīng)用研究。日本學(xué)者Katsutoshi Kuribayashi等［4］曾采用時域分析方法將肌電信號的積分肌電值構(gòu)成特征向量來進行手部動作多運動模型識別;Reddy等［5］利用時域方法(均方根值RMS)提取出sEMG的特征值，用于研究sEMG和運動位移的關(guān)系，從而實現(xiàn)了手指和腕關(guān)節(jié)模型的控制;侯文生［6］等人以均方根為特征參數(shù)研究了握力大小與前臂肌肉表面肌肉活動模式的相關(guān)性，研究表明握力水平與肌肉活動模式具有相關(guān)性，也提示通過表面肌電信號的特征值不但可以預(yù)測握力的大小，還可用于運動功能測試及康復(fù)的評價。

2 頻域分析方法

頻域分析法以其提取特征值較穩(wěn)定，在肌電信號處理中得到了比較廣泛的應(yīng)用，其特點是直接觀察表面肌電信號頻段的分布與變化情況。SEMG的頻域分析主要應(yīng)用功率譜分析方法。功率譜主要特征參數(shù)有峰值頻率、平均功率頻率(mean power frequency，MPF)和中值頻率(median frequency，MF)，其中MF具有對生理參數(shù)變化敏感、抗噪聲和信號混疊能力強的特性，被公認(rèn)為一種可靠、精確的頻譜特征參數(shù)。計算公式如下:

其中，P(f)為信號的功率譜密度函數(shù)。Stulen和De Luca［7］研究發(fā)現(xiàn)，肌電信號的傳導(dǎo)速率與肌電信號的諸如平均功率頻率、中值頻率等特征頻率成線性比例關(guān)系;楊基海等［8］也通過實驗發(fā)現(xiàn)，無論關(guān)節(jié)是曲屈收縮還是伸展收縮，主動肌和拮抗肌的歸一化中值頻率隨著時間的增加而減少，而這兩路肌電信號中值頻率的相關(guān)系數(shù)則隨著收縮力的增大而增大;羅志增、王人成［9］提出了一種新的表面

肌電信號特征提取方法-功率譜比值法，該方法以表面肌電信號功率譜最大幅值處的頻率附近某一確定寬度的功率譜積分與整個功率譜積分的比值，作為表面肌電信號的特征進而進行非特定人的手部動作識別，取得了較為理想的效果。

3 時頻分析方法

近年來時頻分析方法倍受人們關(guān)注。目前用于表面EMG信號分析的時頻分析方法主要有短時FFT變換、Wigner-Ville變換、Choi-Williams變換及小波變換等。

3.1 短時傅里葉變換

短時Fourier變換(Short-time Fourier Transform，STFT)也叫做窗口Fourier變換，1946年D.Gabor提出的Gabor變換，其基本思想是，達到時間域上的局部化，在Fourier變換的基本變換函數(shù)之前乘上一個時間上有限的時限函數(shù)g(t)，這樣ei2πft起頻限作用，g(t)起時限作用，合在一起，就可以起到時頻雙限制作用。蔡立羽等［10］采用短時傅立葉變換對表面肌電信號進行了分析，并通過奇異值分解提取特征矢量以進行四個手部動作的模式識別，效果比較理想。

3.2 維格納分布

維格納分布是信號能量在時間-頻率兩維空間上的分布，它具有許多優(yōu)良特征。例如，定義域的同一性、反演特性等，這使它在非平穩(wěn)的肌電信號的處理中頗有潛力。Wigner-Ville變換的不足之處在于變換是非線性的——變換的雙線性，所以當(dāng)信號成份多時，不同成份之間容易出現(xiàn)交叉項，會引起偽像。Mechelle R和Davies等［12］利用此方法對EMG信號進行了疲勞分析，并提取相應(yīng)特征進行識別。

3.3 Choi-Williams變換

Choi-Williams變換有效地消除了交叉項的存在。其形式為:

其中，當(dāng)σ非常大時，g(θ，τ)=1，就得到了Wigner-Ville分布。Paolo Bonato等［13］曾用Choi-Williams分布對肌肉動態(tài)收縮時的肌電信號進行了詳細(xì)的分析，實驗證明該方法適合于非穩(wěn)態(tài)sEMG的處理。

3.4 基于小波變換和小波包變換的方法分析

小波變換(wavelet traansforln，WT)最早是由法國地球物理學(xué)家Morlet于1984年在分析地震波時提出來的，小波變換在信號分析與處理中得到了廣泛地應(yīng)用［14］。由于小波變換的時、頻定位特性，可以實現(xiàn)信號的時變譜分析，可以在任意細(xì)節(jié)上分析信號，且對噪聲不敏感。因此小波變換是表面肌電信號分析的有力工具［15］。小波包分解是小波變換的一種自然延拓，它能夠以二叉樹方式將信號分解成等頻帶寬的子空間。小波包分解中，分解層數(shù)的增加可使信號的高頻成分和低頻成分的分解都達到很精細(xì)的程度［16］。

羅志增等［17］利用小波變換的去噪作用，濾除混合在原始sEMG中的部分噪聲作為ICA的輸入信號;蔡立羽等［10］采用小波變換方法對表面肌電信號進行分析，提取小波系數(shù)最大值構(gòu)造特征矢量輸入神經(jīng)網(wǎng)絡(luò)分類器進行模式識別，實驗表明，基于小波變換的神經(jīng)網(wǎng)絡(luò)分類方法所需的數(shù)據(jù)短、運算快，對于肌電假肢的控制具有良好的應(yīng)用前景;程波等［14］對表面肌電信號(EMG)的非平穩(wěn)性，根據(jù)小波包變換在不同時頻段均能精確的刻畫信號，并提供豐富模式信息的特點，提出利用小波包熵方法對不同情感狀態(tài)下的表面肌電信號進行分析。實驗表明，該方法對情感的喚醒度識別效果較好。

4 基于參數(shù)模型的分析方法

參數(shù)模型的分析方法通過建立模型，分析參數(shù)系數(shù)和對應(yīng)肌肉活動所確定的肢體動作之間的關(guān)系，從而識別提取表面肌電信號。

表面肌電信號的AR參數(shù)法就是利用AR模型特征與肢體運動的確定性關(guān)系，根據(jù)在殘疾人殘肢表面獲取的肌電信號，求出模型參數(shù)和殘差，驅(qū)動假肢，實現(xiàn)仿生控制。

AR模型的數(shù)學(xué)表達式為

其中:x(n)代表肌電信號的第n個采樣值，w (n)是白噪聲殘差，P是AR模型的階數(shù)。ak是AR模型的第k個系數(shù)，即為要確定的參數(shù)。許多實驗表明，當(dāng)AR模型階數(shù)取4時，對信號的分析和識別性能最好。更高階數(shù)的模型不但不會改善分類結(jié)果，而且會加大運算量，因此，我們選用4階AR參數(shù)模型［18］。羅志增等［19］用AR模型的各階系數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，輸出則對應(yīng)手腕的靜止、腕內(nèi)曲、腕外翻等動作，實現(xiàn)對假手的有效控制。

5 基于非線性特征的研究方法

最近幾年，基于非線性的研究方法逐步應(yīng)用于肌電信號處理領(lǐng)域，此類方法主要包括非線性PCA和非線性動力學(xué)兩個方面。

5.1 非線性動力學(xué)

針對肌電信號的非線性特征，有學(xué)者開始將非線性動力學(xué)方法應(yīng)用到肌電信號特征提取領(lǐng)域，非線性動力學(xué)的主要參數(shù)有:

李雅普諾夫指數(shù)是衡量系統(tǒng)動力學(xué)特性的一個重要定量指標(biāo)，它表征了系統(tǒng)在相空間中相鄰軌道間收斂或發(fā)散的平均指數(shù)率，可以用來表征系統(tǒng)運動的特征。鄒曉陽等將最大李雅普諾夫指數(shù)與多尺度分析結(jié)合應(yīng)用到人體前臂6類動作表面肌電信號的模式識別中，結(jié)果表明，利用多尺度最大李雅普諾夫指數(shù)對動作表面肌電信號進行模式識別效果良好［20］。

熵是非線性動力學(xué)的另外一個參數(shù)，通過考察在一定容限內(nèi)相似的向量在其維數(shù)由m維增加至m+l維時繼續(xù)保持其相似性的概率的大小來判斷信號的復(fù)雜度，熵越大，說明向量保持相似性的概率越小，則時間序列出現(xiàn)新模式的機會越大，即時間序列越復(fù)雜［21］。在肌電信號分析方面，孟艷麗等［22］用ApEn結(jié)合其它非線性指標(biāo)對EMG信號的非線性性進行了研究;Vaillancourt和Newell［23］曾利用互近似熵評價肢體加速度與EMG信號之間的關(guān)系，從時域分析和頻域分析角度證明了加速度和伸肌EMG信號在20～25 Hz之間有減少而在8～12 Hz之間又增加。

復(fù)雜度也是非線性動力學(xué)的參數(shù)之一，在以色列數(shù)學(xué)家Lempel和Ziv給出復(fù)雜度的具體計算方法后，復(fù)雜度開始應(yīng)用于特征提取領(lǐng)域。如蔡立羽、王志中等［24］提取表面肌電信號的復(fù)雜性測度信息，利用原始數(shù)據(jù)的復(fù)雜度指標(biāo)構(gòu)造特征矢量對四種前臂動作進行分類，取得了較好的識別效果。通過比較，發(fā)現(xiàn)基于原始數(shù)據(jù)的復(fù)雜度指標(biāo)在分類性能上要優(yōu)于基于重構(gòu)序列的復(fù)雜度。

5.2 非線性PCA

非線性主分量分析［25］(Nonlinear Principal Component Analysis，簡稱非線性PCA或NLPCA)方法是PCA的擴展，在非線性信號的特征提取中具有很好的性能，而且它在提取信號特征的同時還具有一定的降噪作用，常被用于盲源信號的處理。

在非線性PCA兩種典型的方法中，基于神經(jīng)網(wǎng)絡(luò)的非線性PCA方法應(yīng)用比較廣泛［26］。Kramer法［27］是Kramer針對用PCA方法處理非線性數(shù)據(jù)時存在非線性信息丟失的不足，提出的5層基于自組織神經(jīng)網(wǎng)絡(luò)的非線性PCA方法，盡管它存在網(wǎng)絡(luò)性能不穩(wěn)定，容易出現(xiàn)局部最小等缺點，但仍在諸如氣象學(xué)等領(lǐng)域得到了很好的應(yīng)用。許多學(xué)者針對該方法存在的缺點，提出了改進的基于神經(jīng)網(wǎng)絡(luò)的非線性PCA方法，如Webb［28］提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的非線性PCA方法，但其缺點是網(wǎng)絡(luò)的訓(xùn)練復(fù)雜;Faouzi M等［29］人針對webb方法訓(xùn)練復(fù)雜的不足，又提出新的基于RBF神經(jīng)網(wǎng)絡(luò)的非線性PCA方法，該方法拓?fù)浣Y(jié)構(gòu)簡單，且具有網(wǎng)絡(luò)訓(xùn)練速度快的優(yōu)點;羅志增、趙鵬飛等［30］人采用基于自組織神經(jīng)網(wǎng)絡(luò)的非線性PCA對手臂尺側(cè)腕伸肌和尺側(cè)腕屈肌的兩路表面肌電信號進行主元提取，試驗結(jié)果表明，4種手部運動模式(握拳、展拳、腕外旋、腕內(nèi)旋)對應(yīng)的表面肌電信號利用該方法處理后，得到的主元曲線具有很好的類區(qū)分性，依據(jù)所得主元曲線的形狀特征可以有效地進行手部動作類別的識別。

6 發(fā)展動態(tài)分析

傳統(tǒng)的肌電信號提取方法，時域分析、頻域分析在EMG分析領(lǐng)域運用廣泛、成熟，但這些方法不能全面、準(zhǔn)確地反映肌電信號的變化規(guī)律和本質(zhì)，已經(jīng)很難滿足臨床的需要。近年來，以小波變換為代表的結(jié)合時域和頻域兩方面特性的時頻分析方法得到很多研究學(xué)者的關(guān)注，該方法實現(xiàn)肌電信號時域和頻域的聯(lián)合，更加清楚、全面的描述了信號頻率隨時間變化的關(guān)系，使其成為時變非平穩(wěn)信號的有力工具。而以AR模型法為代表的參數(shù)模型法作為頻譜分析的另一種重要途徑，逐漸應(yīng)用于對具有短時平穩(wěn)特性的EMG分析，參數(shù)模型特征提取作為一種線性處理方法，運算速度要明顯快于非線性、非平穩(wěn)處理方法?，F(xiàn)在還有學(xué)者采用非線性動力學(xué)和非線性PCA方法來分析EMG，雖使得EMG的分析思路有所拓展，也克服了以往研究在單尺度上提取表面肌電信號的非線性特征的不足，這方面的研究剛剛起步，各種非線性動力學(xué)參數(shù)對應(yīng)的EMG的生理意義還有待去進一步研究探索。

［1］李慶齡.基于sEMG信號的外骨骼式上肢康復(fù)機器人系統(tǒng)研究［D］.哈爾濱:哈爾濱工業(yè)大學(xué)碩士學(xué)位論文，2009:1-2.

［2］加玉濤，羅志增.肌電信號特征提取方法綜述［J］.電子器件，2007，30(1):326-330.

［3］邱青菊.表面肌電信號的特征提取與模式分類研究［D］.上海:上海交通大學(xué)碩士學(xué)位論文，2009.

［4］Katsutoshi Kuribayashi，et al.A Discrimination System U-sing Neural Network for EMG Controlled Prostheses-Integral Type of EMG Signal Processing［C］//Proc.Of the 1993 IEEE/RSJ Int，Conference on Intelligent Robot s and Systems 93［Yokohama］，1983:750-1755.

［5］Reddy NP，Gupta V.Toward direct biocontrol using surface EMG signals:control of finger and wrist jointmodels.Med Eng Phys，2007，29(3):398-403.

［6］侯文生，許蓉，鄭小林，等.握力大小與前臂肌肉表面肌肉活動模式的相關(guān)性研究［J］.航天醫(yī)學(xué)與醫(yī)學(xué)工程，2007，20(4):264-268.

［7］Stulen FB，De Luca CJ.Frequency Parameters of the Myoelectric Signal as a Measure of Muscle Conduction Velocity［J］.IEEE Trans Biomed Eng，1981，28:515-523.

［8］楊基海，孫路遙.主動肌和拮抗肌針電極的EMG信號中值頻率關(guān)系研究［J］.生物物理學(xué)報，1998，14(1):189.

［9］羅志增，王人成.具有觸覺和肌電控制功能的仿生假手研究［J］.傳感技術(shù)學(xué)報，2005，18(1):23-27.

［10］蔡立羽，王志中，張海虹.基于小波變換的肌電信號識別方法研究［J］.數(shù)據(jù)采集與處理，2000，15(2):255-258.

［11］V.Gupta，S.Suryanarayanan，N.Reddy.Fractal analysis of surface EMG signals from the biceps［J］.International Journal of Medical Informatics，1997，45(3)，185 -192.

［12］Davies Mechelle R，et.a1.Time Frequency Analysis of the Electromyogram during Fatigue Bioengineering［C］// Proceedings of Northeast Conference 1994，93-95.

［13］Bonato Peta1.Analysis of Myoelectric Signals Recorded during Dynamic Contractions［J］.IEEE Eng Med Biol，1996，4，102-111.

［14］程波，劉光遠.基于表面肌電信號小波包熵的情感識別［J］.計算機工程與應(yīng)用，2008，44(26):214-216.

［15］K Englehart，B Hudgin，PA.Parker.A wavelet-based continuous classification scheme for multifunction myoelectric control.IEEE Transactions on BME，2001，48 (3):302-311.

［16］朱禮軍，陶蘭，劉慧.領(lǐng)域本體中的概念相似度計算［J］.華南理工大學(xué)學(xué)報:自然科學(xué)版，2004，32(11): 147-150.

［17］羅志增，李文國.基于小波變換和盲信號分離的多通道肌電信號處理方法［J］.電子學(xué)報，2009，37(4):823-827.

［18］崔建國，王旭，李忠海，等.基于AR參數(shù)模型與聚類分析的肌電信號模式識別方法［J］.計量學(xué)報，2006，27 (3):287-289.

［19］羅志增，楊廣映.表面肌電信號的AR參數(shù)模型分析方法［J］.傳感技術(shù)學(xué)報，2003，16(4):384-387.

［20］鄒曉陽，雷敏.基于多尺度最大李雅普諾夫指數(shù)的表面肌電信號模式識別［J］.中國生物醫(yī)學(xué)工程學(xué)報，2012，31(1):7-12.

［21］陳偉婷.基于熵的表面肌電信號特征提取研究［D］.上海:上海交通大學(xué)博士學(xué)位論文，2008.

［22］Meng，Y Liu，B.，Liu，Y A comprehensive nonlinear analysis of electromyogram.Presented at Annual Reports of the Research Reactor Institute，Kyoto University:2001.

［23］Vaillancourt DE，Newell KM.The dynamics of resting and postural tremor in Parkinson's disease［J］.Clinical Neurophysiology，2000，111(11):2046-2056.

［24］蔡立羽，王志中，張海虹.基于復(fù)雜性度量的表面肌電信號分類方法［J］.生物物理學(xué)報，2000，16(1):119-124.

［25］高鷹，謝勝利.基于非線性PCA準(zhǔn)則的兩個盲信號分離算法［J］.計算機工程與應(yīng)用，2005，22:24-26.

［26］Scholkopf B，Smola A，Muller AKR.Nonlinear Component Analysis as a Kernel Eigenvalue Problem［J］.Neural Computation，1998，10:1299-1319.

［27］Kramer MA.Nonlinear Principal Component Analysis U-sing Auto Associative Neural Networks［J］.AIChE Journal February 1991，37(2):233-243.

［28］Webb AR.An Approach to Nonlinear Principal Component Analysis Using Radially Symmetric Kernel Functions［J］.Statist.Comput，1996，6:159-168.

［29］Faouzi Harkat M，Gilles Mourot，JoséRagot.Nonlinear PCA Combining Principal Curves and RBF-Networks for Process Monitoring［C］//Proceeding of the 42nd IEEE Conference on Decision and Control，Hawaii，USA，2003:1956-1961.

［30］羅志增，趙鵬飛.非線性PCA在表面肌電信號特征提取中的應(yīng)用［J］.傳感技術(shù)學(xué)報，2007，20(10):2164-2168.

Research and Development Trend of Feature Extraction M ethods of Surface Electrom yogrphic Signals

LIU Jian，ZOU Renling，ZHANG Dongheng，XU Xiulin，HU Xiufang
1.School of Medical Instrument and Food Engineering，University of Shanghai for Science and Technology(Shanghai，200093)
2.Shanghai University of Medicine＆Health Sciences(Shanghai，200093)

The surface electromyographic(sEMG)monitoring iswidely used in clinical diagnosis and rehabilitationmedicine.Its feature extractions are themain foundation of clinical diagnoses.Based on the conventional feature extraction methods of time-domain and frequency-domain，this paper focuses on summarizing and discussing the recent research hot spots，includingmethods of time-frequency，parametermode and nonlinear features.Besides，this paper analyze and prospect the future research direction and development trend of the feature extraction methods of sEMG in the related fields.

sEMG，feature extraction，time-frequency analysis，parametermodel，nonlinear analysis

R444

A

1674-1242(2015)03-0164-05

10.3969/j.issn.1674-1242.2015.02.009

2015-04-21)

上海市科學(xué)技術(shù)委員會科研計劃項目(14441905100)

劉建，E-mail:aidesiyu_liu@163.com